从盘古开天辟地说起为什么 Flink CP 能实现精确一次？（中）

为什么我要把这段话放在最前面呢？因为博主有了大发现，博主在总结学习的过程中，总结了除了 Flink CP、Chandy-Lamport 全局一致性快照算法之外的一种 通用全局一致性快照算法！！！。

这套 通用算法 包含 Chandy-Lamport 算法 ≈ Flink 非对齐 CP 算法 包含 Flink 对齐 CP 算法。

可能这一套 通用算法 之前已经有人提过了，但是博主是自己在总结 Flink CP、Chandy-Lamport 算法的过程中，逆推总结出来的，并没有借助外力！！！

1.前言

对于很多做离线或者实时数仓的小伙伴来说，我先问几个问题，看看小伙伴萌能回答上来吗？

1. ⭐ 你知道状态是什么吗？在离线数据开发的经历中，你碰到过状态的概念吗？

2. ⭐ 为什么离线数仓不需要状态，实时数据开发中老是提到状态的概念？

3. ⭐ Flink 中的状态、状态后端、全局一致性快照（Checkpoint\Savepoint） 的作用都是什么，这三个概念的关联又是什么？

4. ⭐ Flink 是通过什么机制来做 Checkpoint 的？为什么这套机制能够做到故障恢复呢？

5. ⭐ Flink Checkpoint 是基于 Chandy-Lamport 算法的，但是 Flink 的实现相比 Chandy-Lamport 算法之间又有哪些优点、缺点？

6. ⭐ Flink Checkpoint 用到了 barrier，为什么用了 barrier 做的快照就能保证全局一致性快照的正确性？barrier 到底起到了什么作用？

7. ⭐ Flink 对齐 Checkpoint 和非对齐 Checkpoint 的区别是什么？非对齐 Checkpoint 也能保障精确一次吗？

小伙伴们思考一下，都能回答上来么，如果对于某些问题你还有疑问，楼主会通过本篇文章帮你解答这些问题，理清这些概念！

由于本文内容较多，所以博主将本文分为上，中，下三集，本文是中，三集内容是有连接关系的，如果小伙伴在看本文的过程中对有些概念不清楚，可以跳转到上文进行查看：

本文最主要的内容就是解释了：

一个分布式应用是怎么异步做一个全局一致性快照？

2.名词解释

1. ⭐ Single-Token conservation：一个最常见的分布式应用，单 Token 流转分布式应用

2. ⭐ Process：指分布式应用中的进程，举个 Flink 中的例子就是 TaskManager

3. ⭐ Channel：指分布式应用中进程之间的传输通道，举个 Flink 中的例子就是 TaskManager 之间传输数据的网络传输通道

3.分布式应用全局一致性快照要记录的状态内容

首先在分析一个复杂的大数据应用的全局一致性快照之前，我们先以最简单的分布式应用为例。

Single-Token conservation：其有 p 和 q 两个进程，p 可以通过 Channel pq（记为 Cpq） 向 q 发消息，q 可以通过 Channel qp（记为 Cqp） 向 p 发消息，其中有一个叫 token 的消息，在这个系统中一直不停的传输流转，从 p 到 q࿰